火灾是一种常见的灾害,它具有突发性且蔓延迅速,一旦发生很有可能会造成严重的人员伤亡或财产损失。在火灾发生早期,若能利用大数据掌控火灾信息,就能在火灾发生早期精确的识别出火灾并发出预警信号,这对保护人们的生命财产安全具有重要的意义。传统火灾探测器主要是借助火灾发生时产生的烟雾颗粒、热量、光等信息,存在探测距离有限、反应滞后、误识别率高等问题。近几年,随着摄像头的普及、视频图像处理技术的提高,基于图像型火灾检测技术随之产生并逐渐深入研究。该技术不仅能弥补传统探测器的诸多弊端,还可以利用图像处理实时监控火灾的大小,分析火情,为救援人员提供帮助。可见,图像型火灾探测技术具有非常广阔的应用前景。本文将图像拼接技术应用在火灾图像识别中,形成火灾场景全景图,然后采用颜色空间模型和改进阈值分割算法对火焰疑似区域分割,最后结合火焰多特征与机器分类模型进行火焰识别。论文主要从以下几个方面开展的。（1）火灾场景的图像拼接。全景图下能更详细的了解火情,所以图像拼接显得尤为重要。图像拼接的精度取决于特征点的配准与融合,在配准阶段,提出用余弦相似度初步判断特征点的相似性,然后用双向一致性互选择结合MSAC算法进行精匹配。在融合阶段,提出一种cell加速的幂函数权重融合算法,通过将幂函数权重系数划分为n×n的细胞,取细胞中间权值作为该区域的权重进行图像融合,完成图像拼接。（2）火灾全景图中火焰疑似区域的分割。在分割之前,先对全景图进行去噪处理,然后利用YCbCr颜色空间模型对去噪后的火焰图像进行初始分割。针对传统Otsu算法中阈值问题造成的分割精度不高现象,提出用初始分割得到的灰度图改进其阈值,最后利用改进后的Otsu算法对火焰图像精细分割。从实验验证可以看出,所提改进算法提高了火焰分割的精度。（3）火焰特征提取与识别。详细分析了火焰的静态特征和动态特征,包括圆形度、尖角、面积变化率和整体移动性。确定这四个特征可以作为区分火焰与其干扰源的特征。然后针对SVM识别中存在的参数问题,利用改进的GSA进行优化,即将网格分块化,确定各网格中参数组代表的识别精度,最后比较得出最优化的参数。选取尽可能复杂的8段视频,对火灾检测效率验证分析。从实验结果来看,所提算法提高了火焰识别精度,具有一定可行性与应用前景。